[发明专利]基于自组织神经网络及经验正交函数的水下温度场重构方法

摘要

本发明涉及一种基于自组织神经网络及经验正交函数的水下温度场重构方法，建立了温度剖面对应的经验正交函数系数、位置信息、时间信息、海面高度、海面温度等多维信息的自组织特征映射图，利用已知信息与自组织特征映射单元之间的欧式距离判断最佳匹配单元，从而获取待反演的经验正交函数系数。基于大量数据信息建立海面参数与水体温度剖面的特征映射网络，能够实现海面参数到水体剖面的非线性映射。实施效果，基于自组织神经网络及经验正交函数的水下温度场重构方法性能优越，稳健性好，不需要了解海域内的动力过程，只利用海洋环境参数之间的相关性，计算量小，实现简单，适用于利用卫星遥感数据对重点关注海域的海洋环境参数进行准实时获取。

主权项

1.一种基于自组织神经网络及经验正交函数的水下温度场重构方法，其特征在于步骤如下：步骤1：在研究海域内每条剖面，以T表示温度剖面集合的矩阵形式，为p×q矩阵，其中p为温度剖面的层数，q为温度剖面数目；对T进行经验正交分解：R＝T×T'(R‑λI)K＝0其中：R为T的协方差矩阵；λ为R的特征值；K为与特征值对应的经验正交矩阵，由经验正交函数vi组成，为p×p矩阵；K＝{v1,v2,...,vp}；步骤2、建立自组织映射图，并利用历史数据完成对自组织映射网络参数的训练：所述自组织映射网络包括输入层和竞争层即输出层：输入层神经元数为n，竞争层由m个神经元组成的一维或者二维平面阵列；网络为全连接结构：每个输入结点都与所有的输出结点相连接；使用历史数据进行自组织映射网络参数训练的具体过程如下：(a)将网络节点的权值Wij赋予小的随机初始值；设置一个初始邻域Nc，并设置网络的循环次数T；(b)给出一个新的输入模式Xk：Xk＝{X1k,X2k,L,Xnk}，Xk中各元素分别对应研究海域内各条温度剖面对应的经验正交函数系数值、位置信息、时间信息、及对应海面温度、海面高度各项信息，将其输入到网络上；(c)计算模式Xk和所有的输出神经元的距离djk，并选择和Xk距离最小的神经元c，即c为获胜神经元(d)更新结点c及其领域结点的连接权值Wij(t+1)＝Wij(t)+η(t)(Xi‑Wij(t))其中0＜η(t)＜1为增益函数，随着时间逐渐减小；(e)选取另一个学习模式提供给网络的输入层，返回步骤(c)，直到输入模式全部提供给网络；(f)令t＝t+1，返回步骤(b)，直至t＝T为止；步骤3、根据待重构剖面的位置信息、时间信息、及对应的海面遥感参数如海面温度及海面高度信息寻找在自组织特征映射图中的最佳匹配单元：计算已知信息与自组织特征映射单元之间的欧式距离Cov(X,S)＝E([X‑E(X)][S‑E(S)])式中X_i为已知信息向量，向量元素含待重构剖面的时间信息、位置信息、及对应的海面高度、海面温度；S为待反演向量，向量元素为待反演的经验正交函数系数α_i；为X_i与S_j之间的互相关性；X为输入的数据向量，ref为参考向量，为输入向量与自组织映射单元之间的欧式距离；avail为已知信息的向量集合，missing为未知信息的向量集合；Cov为互相关算子，E为求期望算子；步骤4：根据反演得到的最佳匹配单元中的经验正交函数系数α_i，以及经验正交函数v_i获取构建温度剖面其中M表示所用的M阶经验正交函数，M取值取决于前几阶经验正交函数能够解释的总方差比例。